Información administrativa
| Título | Sesión de laboratorio: SVM y Kernels |
| Duración | 2x45 |
| Módulo | A |
| Tipo de lección | Practico |
| Enfoque | Práctico — Modelado de IA |
| Tema | Modelado de IA |
Keywords
máquina vectorial de soporte, función del kernel,RBF, complejidad del modelo,
Objetivos de aprendizaje
- Para poder diseñar y utilizar un SVM lineal
- Para poder diseñar anuncios, utilice un SVM no lineal, utilizando un kernel
- Para diseñar y optar por un SVM (enfoque de libro de cocina)
Preparación prevista
Eventos de aprendizaje que se completarán antes
Obligatorio para los estudiantes
- Revisión de Python básico.
- Revisión del uso de modelos scikit-aprender.
Opcional para estudiantes
Ninguno.
Referencias y antecedentes para estudiantes
- Manos en el Machine Learning con Scikit-Learn y Tensorflow de Aurélién Géron
- Introducción al aprendizaje automático con Python por Andreas C. Müller y Sarah Guido
- Curso de Udemy — Machine Learning — A Z de Kirill Eremenko y Hadelin de Ponteves
- Curso Udemy — Ingeniería de Características para el Aprendizaje Automático por Soledad Galli
- Máquina de soporte-vector en wikipedia
- https://www.datacamp.com/community/tutorials/svm-classification-scikit-learn-python
- http://dataaspirant.com/2017/01/13/support-vector-machine-algorithm/
- https://www.ritchieng.com/machine-learning-evaluate-classification-model/
- https://en.wikipedia.org/wiki/Kernel_method
- https://en.wikipedia.org/wiki/Polynomial_kernel
- https://en.wikipedia.org/wiki/Radial_basis_function_kernel
- https://data-flair.training/blogs/svm-kernel-functions/
Recomendado para profesores
- Una revisión de cómo las funciones de pandas y scikit-aprendizaje utilizadas en el portátil están parametrizadas.
Material didáctico
Instrucciones para profesores
Este evento de aprendizaje consiste en tareas de laboratorio que serán resueltas por los estudiantes con la ayuda del instructor principal.
Prepare un entorno portátil con numpy, matplotlib, sns y scikit-learn instalados.
Esquema/horario de tiempo
| Duración (min) | Descripción | Conceptos |
|---|---|---|
| 5 | Resumen de las tareas que deben llevarse a cabo | |
| 25 | Exploración y preprocesamiento de datos | descripción de los datos, valores faltantes, distribuciones de características, detección de valores atípicos |
| 30 | Montaje de modelos SVM | escalado de datos, SVM lineal, RBF, complejidad del modelo |
| 30 | Evaluación del modelo | optimización del hiperparámetro, ajuste insuficiente, sobreajuste, curva ROC |
Reconocimientos
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».